Claude e l’ipotesi di Riemann: quando l’intelligenza artificiale inizia a produrre conoscenza

immagine sintetica collegata all'articolo

Un matematico di Anthropic sostiene di aver dimostrato, con l’aiuto di Claude, un problema irrisolto da 167 anni. Le verifiche formali indipendenti sono incoraggianti, ma le implicazioni potrebbero andare ben oltre la matematica: dalla ricerca scientifica alle valutazioni finanziarie delle aziende AI, fino al modo in cui imprese e organizzazioni creano valore.

E se un’intelligenza artificiale riuscisse a risolvere un problema che ha resistito per quasi due secoli ai migliori matematici del mondo?

Non è una domanda su un futuro lontano. È quanto potrebbe essere accaduto il 20 novembre 2026, quando Levent Alpöge, matematico di Anthropic, ha annunciato di aver trovato, lavorando con Claude, una dimostrazione dell’ipotesi di Riemann.

Formulata nel 1859, l’ipotesi è considerata uno dei problemi più importanti della matematica. È inclusa tra i sette Millennium Prize Problems, per ciascuno dei quali il Clay Mathematics Institute ha previsto un premio di un milione di dollari.

Ma il valore potenziale di questa scoperta è infinitamente superiore al premio. Se confermata, non rappresenterebbe soltanto un risultato matematico storico. Potrebbe segnare un passaggio fondamentale nell’evoluzione dell’intelligenza artificiale: da tecnologia capace di elaborare la conoscenza esistente a strumento capace di contribuire direttamente alla produzione di nuova conoscenza. E questo cambiamento potrebbe avere conseguenze scientifiche, economiche e finanziarie molto più profonde di quanto immaginiamo.

La comunicazione di Alpöge è insolita anche per gli standard della ricerca matematica. Invece di pubblicare una dimostrazione tradizionale, il ricercatore ha diffuso una nota di quattro pagine accompagnata da una formalizzazione in Lean, un sistema che permette di rappresentare e verificare rigorosamente dimostrazioni matematiche attraverso il computer.

Il materiale comprende circa 17 milioni di righe di codice distribuite in oltre 175.000 file. Secondo Alpöge, il lavoro dimostrerebbe non soltanto l’ipotesi originale, ma anche una sua versione più generale relativa alle funzioni L di Dirichlet.

L’aspetto più sorprendente è che lo stesso matematico riconosce di non aver ancora compreso completamente tutte le parti della dimostrazione. Una versione testuale generata con Claude avrebbe superato le 250.000 pagine, risultando sostanzialmente inutilizzabile per una lettura umana.

Le verifiche indipendenti sono iniziate immediatamente. Andrew Sutherland del MIT ha pubblicato il 20 novembre i risultati di una serie di controlli, tra cui la compilazione completa del progetto e l’accettazione della dimostrazione da parte di verificatori indipendenti. Sono stati inoltre controllati gli enunciati principali e le assunzioni logiche utilizzate.

Si tratta di risultati tecnicamente molto significativi, che vanno ben oltre la semplice affermazione di aver trovato una soluzione.

Rimane tuttavia fondamentale distinguere la verifica formale dal riconoscimento definitivo di una scoperta scientifica. Alcuni controlli erano ancora in corso all’ultimo aggiornamento disponibile e la comprensione matematica dell’argomento richiederà ulteriore lavoro.

Al 21 novembre 2026, il Clay Mathematics Institute continua a classificare l’ipotesi di Riemann come problema irrisolto. La formulazione più corretta, quindi, è che siamo di fronte a una possibile dimostrazione supportata da importanti verifiche formali indipendenti, ma non ancora definitivamente riconosciuta dalla comunità matematica.

Ma che cos’è l’ipotesi di Riemann e perché è importante?

Per comprendere la portata dell’annuncio non servono conoscenze matematiche avanzate.

Tutto parte dai numeri primi: 2, 3, 5, 7, 11, 13 e così via. Sono numeri divisibili soltanto per uno e per se stessi e rappresentano, in un certo senso, i mattoni fondamentali dell’aritmetica.

La loro distribuzione sembra irregolare. Sappiamo che diventano progressivamente meno frequenti man mano che i numeri crescono, ma descrivere con precisione questa distribuzione è un problema estremamente complesso.

Nel 1859 Bernhard Riemann individuò un legame profondo tra la distribuzione dei numeri primi e una particolare funzione matematica, oggi chiamata funzione zeta di Riemann.

La sua ipotesi afferma che tutti gli zeri non banali di questa funzione si trovano su una specifica retta del piano complesso, dove la parte reale è uguale a 1/2.

Dietro questa formulazione apparentemente astratta si nasconde un risultato di straordinaria importanza: la possibilità di descrivere con grande precisione quanto la distribuzione dei numeri primi si discosti dal suo andamento medio.

Una dimostrazione renderebbe inoltre incondizionati numerosi risultati matematici oggi validi soltanto assumendo la verità dell’ipotesi. Non significherebbe, però, poter prevedere automaticamente tutti i numeri primi, né disporre di un metodo per violare i sistemi crittografici. Per esempio, la sicurezza di RSA dipende dalla difficoltà computazionale di fattorizzare numeri molto grandi, un problema diverso da quello affrontato dall’ipotesi di Riemann.

La dimostrazione, di per sé, non renderebbe quindi improvvisamente insicure banche, transazioni elettroniche o comunicazioni cifrate. Il suo valore scientifico rimarrebbe comunque enorme. Finora abbiamo valutato il valore dell’intelligenza artificiale soprattutto attraverso la produttività.

Quanto tempo permette di risparmiare? Quanti processi può automatizzare? Quanti documenti riesce ad analizzare? Quanto software può sviluppare?

Sono domande importanti, ma descrivono prevalentemente una tecnologia orientata all’efficienza. Utilizziamo l’AI per fare meglio, più velocemente o a costi inferiori qualcosa che sappiamo già fare.

Ma che cosa accade quando l’intelligenza artificiale non si limita a migliorare processi esistenti, bensì contribuisce a risolvere problemi che prima non eravamo in grado di affrontare?

È qui che potrebbe verificarsi il vero cambiamento di paradigma. Pensiamo alla ricerca farmaceutica. Un sistema capace di generare nuove ipotesi, individuare meccanismi biologici sconosciuti o suggerire percorsi sperimentali potrebbe produrre un valore economico enormemente superiore al semplice risparmio di tempo dei ricercatori.

Lo stesso vale per la progettazione di nuovi materiali, la ricerca energetica, l’ingegneria e lo sviluppo di algoritmi. In questi casi, il valore dell’AI non deriverebbe soltanto dalla riduzione dei costi, ma dall’ampliamento delle possibilità scientifiche e tecnologiche. Potremmo passare da un’intelligenza artificiale che aumenta la produttività a un’intelligenza artificiale che accelera il progresso della conoscenza.

Naturalmente, un singolo risultato non dimostra ancora che questa capacità sia generalizzabile. La collaborazione tra Alpöge e Claude ha richiesto competenze matematiche straordinarie, un lungo lavoro iterativo e risorse computazionali rilevanti.

Dovremo comprendere quanto il metodo sia ripetibile, quanto dipenda dall’intervento umano e quale sia il rapporto tra i costi necessari e il valore delle scoperte ottenute.

Ma la possibilità che stiamo intravedendo è di enorme importanza. Questa prospettiva introduce una seconda dimensione economica, forse ancora più immediata: il possibile effetto sulle valutazioni finanziarie delle aziende che sviluppano intelligenza artificiale.

La coincidenza temporale è particolarmente significativa.

Il 19 novembre 2026, appena un giorno prima dell’annuncio di Alpöge, Anthropic ha debuttato al Nasdaq con il simbolo ANT. Le azioni sono state collocate a 83 dollari e hanno chiuso la prima seduta a 97,17 dollari, circa il 17% sopra il prezzo dell’offerta pubblica iniziale. Il giorno successivo, tuttavia, il titolo è sceso a 88,91 dollari, perdendo circa l’8,5%, mentre anche altri importanti titoli tecnologici registravano forti ribassi.

Non possiamo quindi sostenere che l’annuncio abbia già determinato un aumento delle quotazioni. I movimenti osservati riflettono un contesto di mercato molto più ampio, caratterizzato da preoccupazioni per le valutazioni elevate delle aziende tecnologiche e per i ritorni degli enormi investimenti nell’AI. Ma la questione interessante riguarda ciò che potrebbe accadere in futuro.

Le valutazioni finanziarie non dipendono soltanto dai risultati economici attuali, ma soprattutto dalle aspettative sulla capacità di generare utili e flussi di cassa futuri.

Se gli investitori iniziassero a considerare l’intelligenza artificiale non soltanto come una tecnologia per automatizzare attività, ma come un’infrastruttura capace di accelerare la scoperta scientifica, le dimensioni del mercato potenziale attribuito a queste piattaforme potrebbero aumentare considerevolmente.

Un conto è vendere strumenti che permettono alle imprese di risparmiare tempo e ridurre i costi. Un altro è fornire tecnologie che possono contribuire alla scoperta di nuovi farmaci, materiali, processi industriali o soluzioni scientifiche. Nel secondo caso, il valore economico potenzialmente generato potrebbe essere molto più elevato. E i mercati finanziari tendono ad anticipare queste aspettative.

Una conferma definitiva della dimostrazione di Riemann, soprattutto se accompagnata da ulteriori risultati scientifici ottenuti attraverso l’AI, potrebbe rafforzare la convinzione che i modelli più avanzati abbiano un potenziale economico superiore a quello attualmente incorporato nelle previsioni.

Questo potrebbe tradursi in una revisione al rialzo delle aspettative di crescita e, di conseguenza, delle valutazioni finanziarie delle aziende considerate leader del settore.

Naturalmente, non è un esito automatico: il mercato potrebbe aver già incorporato aspettative molto ambiziose e richiedere prove concrete di monetizzazione.

L’impatto di un simile cambiamento non riguarderebbe necessariamente soltanto Anthropic. Un aumento della fiducia nella capacità dell’AI di produrre nuova conoscenza potrebbe interessare l’intero ecosistema tecnologico. Le aziende che sviluppano modelli avanzati potrebbero beneficiare di una maggiore domanda da parte di università, centri di ricerca, industrie farmaceutiche e imprese ad alta intensità tecnologica.

I produttori di semiconduttori potrebbero vedere rafforzate le prospettive di crescita della domanda di capacità computazionale. I fornitori di infrastrutture cloud e data center potrebbero beneficiare di un ampliamento degli investimenti destinati alla ricerca assistita dall’intelligenza artificiale.

Infine, le imprese che riuscissero a integrare efficacemente queste tecnologie nei propri processi di ricerca e sviluppo potrebbero ottenere vantaggi competitivi significativi. Non tutti gli operatori, però, ne beneficerebbero allo stesso modo.

In una fase di trasformazione tecnologica, il valore economico tende a distribuirsi in maniera disomogenea: alcuni soggetti sviluppano la tecnologia, altri forniscono le infrastrutture, altri ancora riescono a catturare il valore delle sue applicazioni.

E non è detto che chi sviluppa il modello sia necessariamente chi ottiene il maggiore beneficio economico.

La domanda strategica diventa quindi non soltanto quanto valore potrà generare l’AI, ma chi sarà in grado di appropriarsene. Esiste naturalmente anche il rovescio della medaglia.

Se i mercati attribuissero rapidamente alle aziende AI aspettative di crescita basate su scoperte scientifiche ancora difficili da trasformare in applicazioni commerciali, potremmo assistere a un’ulteriore espansione delle valutazioni speculative. La storia dell’innovazione tecnologica offre numerosi esempi di questa dinamica.

Una tecnologia può avere un impatto economico e sociale straordinario senza che tutte le imprese sulle quali gli investitori hanno scommesso riescano a generare ritorni adeguati. Il fatto che un’innovazione sia rivoluzionaria non significa automaticamente che ogni investimento collegato a quella tecnologia sia conveniente.

Nel caso dell’intelligenza artificiale, la questione è particolarmente rilevante per la dimensione degli investimenti necessari in data center, semiconduttori, energia e sviluppo dei modelli. La capacità di produrre nuove scoperte scientifiche potrebbe contribuire a giustificare investimenti ancora maggiori, ma soltanto se fosse possibile trasformare queste capacità in benefici economici misurabili e sostenibili.

Si potrebbe quindi verificare una situazione apparentemente paradossale: una scoperta scientifica capace di rafforzare le prospettive di lungo periodo dell’AI senza produrre necessariamente un aumento immediato delle quotazioni, oppure alimentando rialzi destinati successivamente a ridimensionarsi.

Occorre distinguere il valore scientifico della scoperta, il valore economico potenzialmente generabile e il valore finanziario che i mercati decidono di attribuirle. Sono tre dimensioni collegate, ma non equivalenti.

Un’ulteriore conseguenza riguarda la distribuzione delle capacità tecnologiche.

Se le scoperte scientifiche più importanti diventassero sempre più dipendenti dall’accesso a modelli avanzati, infrastrutture computazionali molto costose e competenze altamente specializzate, il vantaggio competitivo potrebbe concentrarsi nelle mani di poche grandi organizzazioni.

Questo scenario presenta opportunità evidenti, ma anche rischi. La ricerca scientifica potrebbe diventare più veloce, ma anche più dipendente da piattaforme proprietarie.

La disponibilità di modelli aperti, strumenti di verifica indipendenti e infrastrutture condivise potrebbe quindi assumere un’importanza crescente, non soltanto per la comunità scientifica, ma anche per la competitività economica dei diversi sistemi industriali. Per l’Europa, in particolare, la questione potrebbe diventare strategica.

Non si tratterebbe soltanto di sviluppare o utilizzare modelli linguistici competitivi, ma di garantire che università, centri di ricerca e imprese possano accedere alle capacità necessarie per partecipare a questa nuova fase della produzione scientifica.

La sovranità tecnologica potrebbe assumere anche il significato di capacità autonoma di produrre, verificare e utilizzare nuova conoscenza.

Per un’impresa, soprattutto di piccole o medie dimensioni, la soluzione dell’ipotesi di Riemann potrebbe sembrare molto lontana dai problemi quotidiani. In realtà, questa vicenda suggerisce una riflessione importante.

Oggi molte organizzazioni stanno ancora cercando di comprendere come adottare l’AI nei propri processi: assistenti virtuali, analisi documentale, sviluppo software, automazione amministrativa. Sono applicazioni utili, ma prevalentemente orientate all’efficienza. Il passaggio successivo consiste nell’integrare l’AI nei processi di analisi, progettazione e decisione.

Potrebbe però emergere un livello ulteriore: utilizzare l’intelligenza artificiale per esplorare soluzioni che l’organizzazione, con le proprie risorse tradizionali, non sarebbe in grado di individuare. Non significa delegare ciecamente le decisioni agli algoritmi. Significa costruire una capacità organizzativa nella quale competenze umane, modelli avanzati, dati di qualità e strumenti di validazione lavorano insieme.

In questa prospettiva, le competenze di dominio diventano ancora più importanti. La differenza non sarà soltanto nella disponibilità del modello più potente, ma nella capacità di formulare problemi rilevanti, riconoscere risultati promettenti, verificarli e trasformarli in innovazione concreta.

Anche la governance dell’AI dovrà evolvere: non più soltanto controllo dei rischi e conformità normativa, ma progettazione di processi nei quali risultati generati dall’intelligenza artificiale possano essere valutati, interpretati e utilizzati responsabilmente.

Rimane infine una questione forse ancora più profonda, che riguarda il rapporto tra conoscenza e comprensione. Per secoli, nella matematica, una dimostrazione non è stata soltanto un modo per stabilire che un’affermazione fosse vera. È stata anche un modo per comprenderne le ragioni.

Una buona dimostrazione permette di individuare connessioni, sviluppare nuovi metodi e trasferire le idee ad altri problemi.

Con l’intelligenza artificiale potremmo trovarci sempre più spesso di fronte a risultati formalmente verificabili, ma così estesi e complessi da essere difficili da comprendere persino per gli specialisti. Il caso Riemann rende questa possibilità particolarmente concreta.

Lean può controllare la correttezza logica di una dimostrazione formalizzata. Ma questo non significa che un essere umano abbia già compreso le idee matematiche che la sostengono. La verifica formale e la comprensione scientifica restano due obiettivi distinti, entrambi fondamentali.

Questa distinzione non riguarda soltanto la matematica. Potrebbe diventare centrale anche nella medicina, nell’ingegneria, nell’economia e nelle decisioni organizzative.

Saremo sempre più capaci di ottenere risposte da sistemi di intelligenza artificiale. La vera sfida sarà sviluppare metodi adeguati per comprenderne i limiti, verificarne l’affidabilità e decidere quando utilizzarle.

Non sappiamo ancora se la dimostrazione proposta da Alpöge e Claude verrà definitivamente riconosciuta dalla comunità matematica. Le verifiche formali disponibili sono molto incoraggianti, ma la prudenza scientifica resta necessaria. Eppure, indipendentemente dall’esito finale, questa vicenda solleva una questione che merita attenzione.

Stiamo passando da un’intelligenza artificiale che ci aiuta a utilizzare più efficacemente la conoscenza esistente a sistemi che potrebbero contribuire direttamente alla produzione di nuova conoscenza. Se questa capacità diventasse ripetibile, il cambiamento non riguarderebbe soltanto il modo in cui lavoriamo. Potrebbe modificare la velocità del progresso scientifico, la competitività delle imprese, la distribuzione del valore economico e le aspettative dei mercati finanziari.

Potrebbe anche rafforzare ulteriormente le valutazioni delle aziende AI. Ma la storia dell’innovazione insegna che occorre distinguere tra il potenziale di una tecnologia e la capacità di trasformarlo in ritorni economici sostenibili.

La prospettiva più interessante, quindi, non è soltanto immaginare un’intelligenza artificiale capace di risolvere problemi che gli esseri umani non sono riusciti a risolvere.

È comprendere come questa capacità possa diventare uno strumento di progresso scientifico, economico e sociale.

La vera sfida non sarà soltanto costruire intelligenze artificiali capaci di trovare risposte che ancora non conosciamo. Sarà sviluppare la capacità umana e organizzativa di comprenderle, verificarle e trasformarle in valore.

Perché il progresso non consiste semplicemente nell’avere macchine che sanno più di noi, ma nel costruire una società capace di conoscere, comprendere e realizzare più di quanto fosse possibile prima.


Informazioni scientifiche e finanziarie verificate al 21 novembre 2026. Le considerazioni sulle conseguenze future sono analisi prospettiche e non risultati già accertati.

Fonti scientifiche

Fonti economiche e finanziarie


Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *